FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W1566374636> ?p ?o ?g. }

• W1566374636 abstract "En Imagerie hyperspectrale, les volumes de donnees acquises atteignent souvent le gigaoctet pour une seule et meme scene observee. De ce fait, l'analyse de ces donnees au contenu physique complexe passe obligatoirement par une etape preliminaire de reduction de la dimensionnalite. Cette reduction a un double objectif, le premier consiste a reduire la redondance et le second permet de faciliter les traitements posterieurs (extraction, classification et reconnaissance de formes) et donc l'interpretation des donnees. La classification automatique est une etape importante du processus d'extraction de connaissances a partir des donnees. Elle vise a decouvrir la structure intrinseque d'un ensemble d'objets en formant des regroupements qui partagent des caracteristiques similaires. Dans cette these, nous nous interessons a la reduction de dimension dans le cadre de la classification non supervisee des bandes spectrales. Differentes approches existent, comme celles basees sur la projection (lineaire ou non-lineaire) des donnees de grandes dimensions sur des sous-espaces de representation bien choisis ou sur les techniques de selection de bandes spectrales exploitant des criteres de complementarite-redondance d'information qui ne permettent pas de preserver toute la richesse de l'information apportee par ce type de donnees. 1 - Nous avons accompli une etude comparative, sur la stabilite et la similarite des algorithmes des methodes non parametriques et non supervisee de la projection et aussi de la selection des bandes utilisees dans la reduction de la dimensionnalite a differents niveaux de bruit determines. Les tests sont effectues sur des images hyperspectrales, en classant ces derniers en trois categories selon leur degre de performance de preserver la quantite d'informations. 2 - Nous avons introduit une nouvelle approche de critere basee sur la di-similarite des attributs spectraux et utilisee dans un espace local sur des matrices de donnees ; L'approche a servi pour definir un taux de preservation d'un evenement rare dans une transformation mathematique donnee. Cependant, nous avons limitee son application au contexte de la these liee a la reduction de la taille des donnees dans une image hyperspectrale. 3 - Les etudes comparatives ont permis une premiere proposition d'approche hybride pour la reduction de la taille d'une image hyperspectrale permettant une meilleure stabilite : BandClustering avec Multidimensional Scaling (MDS). Des exemples sont donnes pour demontrer l'originalite et la pertinence de l'hybridation (BandClust / MDS) de l'analyse effectuee. 4 - La tendance de l'hybridation a ete generalisee par la suite en presentant un algorithme hybride adaptatif non supervise base sur la logique flou (Fuzzy C means), une methode de projection comme l'analyse en composante principale (ACP) et un indice de validite d'une classification. Les classifications effectuees par Fuzzy C means permettent d'affecter chaque pixel d'une image hyperspectrale a toutes les classes avec des degres d'appartenance variant entre 0 et 1. Cette propriete rend la methode FCM interessante pour la mise en evidence soit des transitions progressives entre les differentes bandes spectrales ou des heterogeneites spectrales. Grâce a des methodes conventionnelles appelees indices de validite de classes, nous avons determine le nombre optimal de classes de FCM ainsi que le parametre de flou. Nous montrons que cette hybridation conduit a un taux de reduction pertinent dans l'imagerie hyperspectrale. Par consequent, Cet algorithme applique a differents echantillons de donnees hyperspectrales, permet une imagerie spectrale beaucoup plus informative, notamment au niveau de l'heterogeneite spectrale." @default.
• W1566374636 created "2016-06-24" @default.
• W1566374636 creator A5043188896 @default.
• W1566374636 date "2013-01-01" @default.
• W1566374636 modified "2023-09-23" @default.
• W1566374636 title "Nouvel Algorithme pour la Réduction de la Dimensionnalité en Imagerie Hyperspectrale" @default.
• W1566374636 cites W101236918 @default.
• W1566374636 cites W132643297 @default.
• W1566374636 cites W1510073064 @default.
• W1566374636 cites W1526060269 @default.
• W1566374636 cites W1527205111 @default.
• W1566374636 cites W1591429229 @default.
• W1566374636 cites W1595132914 @default.
• W1566374636 cites W1600047650 @default.
• W1566374636 cites W1662191912 @default.
• W1566374636 cites W1965578770 @default.
• W1566374636 cites W1969177710 @default.
• W1566374636 cites W1971784203 @default.
• W1566374636 cites W1974364887 @default.
• W1566374636 cites W1978136334 @default.
• W1566374636 cites W1978176329 @default.
• W1566374636 cites W1980471030 @default.
• W1566374636 cites W1983753875 @default.
• W1566374636 cites W1983989808 @default.
• W1566374636 cites W1990368529 @default.
• W1566374636 cites W1990529700 @default.
• W1566374636 cites W1996747841 @default.
• W1566374636 cites W1997780235 @default.
• W1566374636 cites W2001141328 @default.
• W1566374636 cites W2003078486 @default.
• W1566374636 cites W2009539575 @default.
• W1566374636 cites W2017175959 @default.
• W1566374636 cites W2017588182 @default.
• W1566374636 cites W2025767687 @default.
• W1566374636 cites W2028569884 @default.
• W1566374636 cites W2029706109 @default.
• W1566374636 cites W2030305856 @default.
• W1566374636 cites W2041404167 @default.
• W1566374636 cites W2041840353 @default.
• W1566374636 cites W2041905826 @default.
• W1566374636 cites W2043508111 @default.
• W1566374636 cites W2049633694 @default.
• W1566374636 cites W2053186076 @default.
• W1566374636 cites W2053677366 @default.
• W1566374636 cites W2054232099 @default.
• W1566374636 cites W2069008682 @default.
• W1566374636 cites W2071004091 @default.
• W1566374636 cites W2072026719 @default.
• W1566374636 cites W2073362905 @default.
• W1566374636 cites W2076263407 @default.
• W1566374636 cites W2077806522 @default.
• W1566374636 cites W2078483536 @default.
• W1566374636 cites W2084145074 @default.
• W1566374636 cites W2093235088 @default.
• W1566374636 cites W2098173126 @default.
• W1566374636 cites W2099111195 @default.
• W1566374636 cites W2100495367 @default.
• W1566374636 cites W2102940409 @default.
• W1566374636 cites W2103250033 @default.
• W1566374636 cites W2105252204 @default.
• W1566374636 cites W2109836508 @default.
• W1566374636 cites W2113076747 @default.
• W1566374636 cites W2117561860 @default.
• W1566374636 cites W2121007818 @default.
• W1566374636 cites W2121789508 @default.
• W1566374636 cites W2123421115 @default.
• W1566374636 cites W2123570447 @default.
• W1566374636 cites W2125027820 @default.
• W1566374636 cites W2127062304 @default.
• W1566374636 cites W2129066856 @default.
• W1566374636 cites W2131389289 @default.
• W1566374636 cites W2136554445 @default.
• W1566374636 cites W2136567291 @default.
• W1566374636 cites W2137570937 @default.
• W1566374636 cites W2138038253 @default.
• W1566374636 cites W2138060889 @default.
• W1566374636 cites W2140095548 @default.
• W1566374636 cites W2140833774 @default.
• W1566374636 cites W2141567889 @default.
• W1566374636 cites W2144447799 @default.
• W1566374636 cites W2145624073 @default.
• W1566374636 cites W2146610201 @default.
• W1566374636 cites W2149316707 @default.
• W1566374636 cites W2150566919 @default.
• W1566374636 cites W2152595523 @default.
• W1566374636 cites W2153303172 @default.
• W1566374636 cites W2153753491 @default.
• W1566374636 cites W2154872931 @default.
• W1566374636 cites W2155008293 @default.
• W1566374636 cites W2155161883 @default.
• W1566374636 cites W2155199877 @default.
• W1566374636 cites W2156718197 @default.
• W1566374636 cites W2156838815 @default.
• W1566374636 cites W2160167256 @default.
• W1566374636 cites W2162355375 @default.
• W1566374636 cites W2165102974 @default.
• W1566374636 cites W2166205892 @default.
• W1566374636 cites W2166825837 @default.
• W1566374636 cites W2167933592 @default.
• W1566374636 cites W2170595811 @default.

• next